一種車聯網輔助積極性感知的空間眾包任務分配框架

王 鑫，喬少杰，楊國平，林羽豐，翁越男，吳凌淳，陳 琴，高瑞瑋

(成都信息工程大學 軟件工程學院，四川 成都 610225)

0 引言

隨著配備通信裝置和感知設備智能車輛的迅速演進，用戶信息的復雜化導致資源分配必需的高計算力和高準確率愈發得不到保證，移動用戶對匹配服務質量的需求成為亟待解決的問題。而車聯網(Internet of Vehicles，IoV)技術旨在加速車輛、用戶、基礎設施以及云端網絡之間的信息收集與交換[1]，在物理距離以及網絡距離上更接近用戶，能夠迅速處理用戶在短時間內產生的大規模數據。IoV技術不僅具有較低的通信成本，還可以通過利用高數據傳輸性能保證大批量數據被實時處理[2]。

與此同時，一種新型眾包技術應運而生——空間眾包(Spatial Crowdsourcing，SC)。在SC場景下，工人被要求親自前往特定地點，完成指定的時空任務，獲取相應的獎勵報酬[3]。SC平臺中有許多應用程序，涉及旅游、情報、災害響應、新聞跟蹤和城市規劃等多個領域，同時推進了一系列行業的成功，如視頻拍攝、天氣信息收集、城市噪音水平計算和車流量計算等。目前，眾包平臺的主流任務模式為以平臺服務器為中心(Server Assigned Tasks, SAT)的模式。在SAT模式下，眾包平臺不會直接將空間任務分配給眾包工人，而是需要眾包工人將位置上傳到服務器，當服務器收集到所有在線眾包工人的位置后，再為眾包工人分配合適的任務[4]。

在SC的一般場景下，待完成的任務量往往太大以至于不能在短時間內找到足夠的專業工人，并且這些任務不能利用計算機代替真人來完成。將IoV技術集成到眾包平臺的任務分配中，構建一個分布式的SC平臺，是實現高效任務分配的有效措施，也是SC研究的發展新方向之一。任務分配問題被描述為最大系統利用率問題(如任務完成數量、任務完成質量和任務完成時間等)，現有研究主要集中在工人或是任務的時空可用性上，工人的主觀意愿往往很容易被忽視，很大程度上沒有解決工人主觀意愿與高效任務分配之間平衡的問題。服務全球化的激烈競爭導致供應鏈市場飽和，工人成本迅速提升，因此，快速感知工人積極性并實現有效任務分配是眾包平臺至關重要的任務之一，利用IoV技術輔助SC完成任務分配是提高系統效率的有效手段。

為了解決上述問題，本文提出了一種利用IoV技術輔助積極性感知的SC任務分配框架(Task Allocation Framework in Spatial Crowdsourcing Based on Internet of Vehicles Assisted Positivity Sensing，IOV-SCA)。具體來說，該模型分為2個階段：積極性感知階段和任務分配階段。積極性感知階段旨在實時感知工人對任務的積極性，本文使用加入注意力機制的雙向長短期記憶網絡(Bi-directional Long Short-Term Memory，BiLSTM)捕捉工人的潛在狀態，計算工人的工作停滯時間，并與給定的時間閾值進行比較，以此判斷工人的積極性。任務分配階段在積極性感知的基礎上，將任務分配問題轉換為加權二部圖最大匹配問題。本文提出了一種基于積極性感知的SC任務分配算法，旨在高效地將任務分配給工人，實現系統效益最大化。

綜上所述，本文的主要貢獻包括：

① 利用IoV技術輔助實現SC任務分配問題。

② 利用加入注意力機制的BiLSTM模型感知工人的積極性。

③ 提出了一種基于積極性感知的SC任務分配算法，實現了系統效益與工人主觀感受之間的權衡。

④ 在大規模真實數據集上評估了IOV-SCA模型，其效率和有效性均優于其他代表性方法。

1 相關工作

與傳統的任務分配方法不同，本文所提出的框架需要利用IoV技術輔助計算眾包工人工作期間的積極性，提升上下文感知性能。本文主要涉及IoV技術和SC兩個方面，下文中將分別介紹這兩方面的研究現狀。

1.1 IoV

近年來，IoV技術受到了廣泛關注，通信傳感是IoV技術的主要組成部分之一，它需要將每個車輛捕獲的移動資源與其他平臺或終端進行數據傳輸。高紳等[5]提出了一種多信道模型下C-V2X模式4的通信性能分析模型，該方法通過分析C-V2X模式4對不同傳輸功率、不同編碼方案以及不同信道模型中存在的問題進行建模，表明車輛在頻繁傳輸資源時，需要完善的資源分配方案以保證數據傳輸的通信性能。王哲等[6]提出了一種混合交通場景下的軌跡預測算法，用于規避手動駕駛車輛可能存在的危險行為，該算法在使用去中心化的無線集群學習保護用戶隱私數據的同時，還利用車與車之間的無線通信系統感知附近手動駕駛車輛的歷史軌跡信息并預測軌跡。張勇[7]提出了一種改進的VANET路由協議，該模型用于提升丟包率的計算速度，提高網絡傳輸的準確率，通過提升網絡傳輸性能可有效縮短預警系統發布警告的時間，從而確保駕駛員及時獲取險情信息，降低交通事故的發生率。

1.2 SC

隨著移動智能設備的發展，SC被廣泛應用于智慧城市中提供信息資源，利用人群的潛在能力完成計算機不能完成的任務。Dutta等[8]研究了SC在環境傳感方面的應用，提出人群可以利用便攜式移動環境傳感器通過藍牙將其ID和測量的空氣質量數據發送到最近的智能設備中，接收到的數據被處理后會上傳到云服務器。在云服務器上，服務提供商會將數據聚合、分析并存儲，按照用戶的要求發送當地空氣質量指數。Cianciulli等[9]研究了SC在公共交通系統中的應用，提出了一種基于Beacon3技術的SC應用程序，該程序利用安裝在公交車和公交車站上的藍牙信標發射器，計算公交車的位置以及到達不同站臺的大致時間。當登錄該程序時，用戶的智能設備會接收到最近公交站點ID并上傳至云服務器，而公交車會定期上傳位置信息到云服務器。云服務器會計算公交車到達指定站點的時間并通知用戶。Huang等[10]提出了一種及時預測城市異常情況(如噪音污染、城市基礎設施故障等)的模型，該算法要求用戶將投訴信息上傳至云服務器，云服務器根據異常數量以及時間向量通過貝葉斯推理模型對城市區域進行聚類。最后，根據各區域的相關性以及目標區域的異常歷史，利用馬爾科夫模型對每個區域的異常情況進行預測。

IoV技術和SC都已經取得一些研究成果，但是上述方法都需要用戶上傳數據至云服務器，不滿足實時感知工人積極性的低時延性和及時反饋性，如何將IoV技術的優勢應用到SC中的任務分配問題是需要進一步研究的內容。本文所提模型的創新性在于利用IoV技術輔助感知工人的積極性，并且在此基礎上提出基于積極性感知的任務分配算法。與已有研究相比，本文提出的框架響應更為迅速，任務分配結果更優。

1.3 總體框架

模型總體框架如圖1所示。IOV-SCA模型主要包含3個實體單位：云服務器、路側單元及車輛。云服務器負責匯總信息并分配任務；路側單元是IoV技術中的基礎設施，主要負責與車輛通信，并利用快速數據處理能力計算工作停滯時間；車輛即表示載有眾包工人的工人車輛，主要利用車載移動智能設備負責工人實時數據的收發。模型分為2個階段：第1階段在路側單元上搭建基于BiLSTM的積極性感知模型(Positivity Sensing Model Based on BiLSTM，Bi-PSM)，旨在根據工人的實時感知數據以及歷史任務軌跡數據計算工作停滯時間，從而判斷工人的積極性。具體來說，Bi-PSM模型需要將車輛收集到的感知數據匯總成工人的隱性狀態，其中包括任務的報酬、工人到任務點所需的時間距離和空間距離、2個相鄰任務點之間的時間距離和空間距離。將工人的隱性狀態輸入Bi-PSM模型，計算出工作停滯時間，并給定時間閾值，若工作停滯時間超過閾值，則該工人被認定為消極工人；反之，若工作停滯時間低于閾值，則該工人被認定為積極工人。

圖1 模型總體框架Fig.1 Framework of the proposed model

第2階段在云服務器上搭建基于積極性感知的SC任務分配算法(Task Allocation Algorithm Based on Positivity Sensing，PS-TAA)，旨在實現路側單元與云服務器之間的交互，保證工人有高積極性、高參與度和高滿意度的工作狀態，并在云端合理分配任務。具體來說，PS-TAA算法優先考慮消極工人，為消極工人分配價值更高的任務，如更高收益的任務、物理距離更近的任務和匹配度更高的任務等。

2 問題表述與模型

2.1 基本概念

定義1SC任務：由以下五元組的形式進行定義，t= ，其中lt表示眾包任務t的地理位置，pt表示眾包任務t的發布時間，et表示眾包任務t的截止時間，rt表示完成眾包任務t后的獎勵報酬，st表示眾包任務t的技能要求集合。

定義2SC工人：由以下五元組的形式進行定義，w=〈lw,dw,mw,tw,sw〉，其中lw表示眾包工人w當前的地理位置，dw表示眾包工人w能到達指定任務地點的范圍半徑，mw表示眾包工人w在同一時刻內能接受的最大任務數量，tw表示工人w的工作停滯時間，即表示工人完成第i個任務到接受第(i+1)個任務的時間間隙，sw表示眾包工人w具備的技能集合。在本文的工作中，云服務器首先判斷工人是否符合任務要求，工人只能匹配符合技能要求的任務，即st∩sw≠?。當云服務器將任務分配給工人時，該工人將會被視作脫機狀態，直到該任務被完成再重新回到聯機狀態，即一名眾包工人在同一時刻內最多只能接受一項任務，因此，在本文的模型中mw設置為1。

定義3消極工人：給定一個時間閾值δ，當tw≥δ時，則認定該工人為消極工人。

定義4積極工人：給定一個時間閾值δ，當tw<δ時，則認定該工人為積極工人。

定義5基于積極性感知的任務分配問題：在SC平臺下，當給定一組SC任務T以及一組SC工人W時，本文的目標是找到一組任務分配A并且滿足以下目標：

① 任務分配A的效益最大化，形式化表達為：

② 任務分配A需要以眾包工人為中心，即lt要在以lw為中心、dw為半徑的區域內。

③ 提升眾包工人工作時的積極性，即最小化工作停滯時間tw，為消極工人分配收益更高的任務。

2.2 基于BiLSTM的積極性感知模型

Bi-PSM模型為本文提出的積極性感知模型，即采用融合注意力機制的BiLSTM混合神經網絡模型來提取工人的工作停滯時間。Bi-PSM模型包含輸入層、BiLSTM層、注意力機制層、全連接層以及輸出層，模型結構如圖2所示。

圖2 Bi-PSM模型結構Fig.2 Structure of Bi-PSM

2.2.1 輸入層

文獻[11]的研究表明，可以利用時空行為數據提取到多角度有價值的信息。根據這一基本原理，將時空行為數據轉換為一系列行為特征來表示工人的隱性狀態，通過這些行為特征來計算工作停滯時間。因此，引入狀態特征向量作為Bi-PSM模型的輸入：對于工人w，狀態特征向量表示為(r,lo,la,ds,tb,te,ts)，其中r表示當前眾包任務的獎勵報酬，lo表示當前眾包任務的經度，la表示當前眾包任務的緯度，ds表示相鄰任務之間的物理距離，tb表示當前眾包任務的起始時間，te表示當前眾包任務的截止時間，ts表示相鄰任務之間的時間距離。Bi-PSM模型是基于BiLSTM的模型，本文將時間步長設置為30，即輸入實例由30個狀態特征向量組成。

2.2.2 BiLSTM層

文獻[12]的研究表明，LSTM網絡執行連續數據分類任務的效果是比較出色的，區別于其他神經網絡，LSTM網絡可以保存從歷史輸入中獲取的重要信息。本文將工人的狀態特征向量視為序列數據，即工人的潛在狀態具備連續性。因此，利用LSTM單元中3個門來執行記憶功能和遺忘功能，可以有效捕捉上下文信息應用于潛在狀態分析。計算過程如下：

① 遺忘門ft負責過濾工人的過去周期信息，因為并非工人在執行任務期間所采取的每一項行動都會對其積極性產生影響。通過過濾對積極性感知無用的信息，可以減少操作時間和存儲大小，計算如下：

ft=σ(Wf·[ht-1,xt]+bf) ，

(1)

式中，ft表示遺忘門的內容，將狀態特征向量xt和從上一時刻到t-1時刻篩選得到的狀態特征向量進行串聯作為t時刻的輸入；Wf表示遺忘門中的權重矩陣；bf表示遺忘門中的偏置項；σ表示Sigmoid函數作為激活函數。

it=σ(Wi·[ht-1,xt]+bi) ，

(2)

(3)

(4)

式中，it表示輸入門的內容；Wi和Wc表示輸入門中的權重矩陣；bi和bc表示輸入門中的偏置項；σ表示Sigmoid函數作為激活函數。

③ 輸出門ot負責篩選對積極性感知有重要影響的隱性狀態信息，并在時刻t輸出最終隱性狀態信息ht，用于后續的工作停滯時間計算：

ot=σ(Wo·[ht-1,xt]+bo) ,

(5)

ht=ot·tanh(ct) ,

(6)

式中，ot表示輸出門的內容；Wo表示輸出門中的權重矩陣；bo表示輸出門中的偏置項；σ表示Sigmoid函數作為激活函數。

(7)

H={h1,h2,…,ht,…,hT} ，

(8)

式中，H表示T時刻隱藏層內連接向量的集合作為注意力機制層的輸入。基于LSTM的工人隱性狀態獲取單元結構如圖3所示。

圖3 工人隱性狀態獲取單元結構Fig.3 Structure of recessive state acquisition unit

2.2.3 注意力機制層

由于特定時間段內的特定行為對工人積極性變化產生的影響力不同，因此用注意力機制量化這些行為對積極性感知的影響程度[13]。利用注意力機制，可以為不同的特征分配不同的權重，從而降低無關部分的作用，可以提升工人隱性狀態的提取效率，計算如下：

m=tanh(Wm·H+bm) ，

(9)

a=Softmax(m) ，

(10)

R=H·αT，

(11)

式中，m表示每個隱藏層向量的評分，即其對輸出結果的影響程度；Wm表示注意力機制層的權重矩陣；bm表示注意力機制層的偏置項；α表示用Softmax函數對評分m歸一化得到的權重系數；R表示權重分配完成后注意力機制的輸出結果。

2.2.4 輸出層

經上述操作后，將輸出結果R通過全連接層，輸出為感知到的工作停滯時間tw：

tw=tanh(Wt·R+bt) ，

(12)

式中，Wt表示輸出層的權重矩陣；bt表示輸出層的偏置項。此時，給定一個時間閾值δ，當tw≥δ時，認定工人w為消極工人；反之，當tw<δ時，認定該工人為積極工人。

2.3 基于積極性感知的SC任務分配算法

在現實生活中，工人的積極性是動態變化的，這就要求設置于云服務器的眾包平臺作出迅速響應，因此，找到SC中任務分配問題的全局最優解是具有挑戰性的。本文將任務分配問題轉化為帶權二部圖中的最優匹配問題，旨在最大化當前分配權值，為消極工人提供更高的優先級并為其分配價值更高的任務。

通過一個動態場景下SC的任務分配示例來描述工人積極性和系統效用之間的權衡，該示例包含6名工人(用數字編號)和6個任務(用字母編號)，如圖4所示。圖4(a)表示在約束條件下滿足要求的可能性分配結果；圖4(b)為對應的加權二部圖；圖4(c)表示側重工人主觀性的任務分配，但是這種分配方法導致工人2和任務a未被分配，因此系統效益被降低；圖4(d)表示側重系統收益的任務分配，該方法旨在最大化平臺利益，但可能會產生不合適的匹配結果，持續對分配任務不滿意的工人很大幾率會離開平臺，對平臺造成顯著的不利影響[14]?；诖?，本文提出的PS-TAA算法旨在實現系統效用最大化的同時盡可能為消極工人提供高權重的配對。

(a) 約束條件下的分配

(b) 對應的加權二部圖

(c) 側重主觀性的分配

(d) 側重收益的分配圖4 動態場景下SC任務分配示例Fig.4 Example of spatial crowdsourcing task assignment in dynamic scenarios

定義G=(V,E)表示加權二部圖，其中V表示頂點的集合，E表示邊的集合。給定一組待命工人W={w1,w2,…,wi}和一組可分配任務A={a1,a2,…,aj}，基于此，頂點集V為工人頂點子集VW和任務頂點子集VA的并集，且VW∩VA=；頂點V的數量為(i+j)，邊的數量為其中mw表示眾包工人w在同一時刻內能接受的最大任務數量，與工作停滯時間tw呈正相關。

為了更好地理解本文所提算法，首先介紹增益路徑查找算法，通過增益路徑查找算法進行迭代更新，以獲得具有最大系統效用的分配結果。其中，迭代過程是在工人與任務的配對中查找增益路徑P={p1,p2,…,pk}，并且增益路徑p的2個端點不能配對，它的邊和已有配對不重復。當找到(2l+1)條增益路徑p時，意味著當前配對得分已經到達最大值，即可作為最終結果返回。從當前未被分配任務的工人wi開始，如果工人wi可以與未分配的任務tj直接匹配，則立即得到長度為1的增益路徑pk；否則，尋找下一個未分配的任務給該工人。對于每個這樣的任務t，通過擴展當前路徑來創建一個新的增益路徑，并遞歸地重復相同的過程，并且遞歸深度不能超過上限λ。

增益路徑P查找算法的詳細過程如算法1所示。

算法1:增益路徑P查找算法輸入:加權二部圖G輸出:增益路徑P1. 初始化系統參數;2. Forwi∈Wdo3. If 工人wi未被分配任務且任務tj未分配 then4. 將任務tj設置為待分配狀態;5. value ←工人節點wi權值-任務節點tj權值;6. Ifvalue == 0 then

7. P ← pk;8. If |P| == 2l+1 then9. End If10. ReturnP;

PS-TAA算法的首要目標是根據感知到的工人積極性進行任務分配。首先，利用Gale-Shapley算法[15]中提出的延遲接受機制，在給定的工人和任務之間找到一個穩定的匹配；然后利用增益路徑查找算法進行迭代更新；最后獲得滿足系統效益最大化的分配結果。PS-TAA算法的詳細過程如算法2所示，給定由工人頂點集W和任務頂點集T組成的二部圖，根據wi的工作停滯時間按降序對每個任務的可用工人進行排序，通過增益路徑查找算法遞歸查找有效匹配，按照鄰居節點的積極性排序順序訪問，將任務分配給消極工人，降低平臺的損失。

算法2:PS-TAA算法輸入:工人集W,任務集T輸出:任務分配結果S1. 初始化系統參數;2. For each wi∈Wdo3. 計算工作停滯時間tw;4. Iftw≥δdo5. 認定該工人為消極工人;6. For each aj∈Ado7. 設置任務aj為待支配狀態;8. 查找所有可被任務aj支配的工人;9. For each available wi∈Wdo10. 調用增益路徑P查找算法進行迭代;11. If 增益路徑P被查找到do12. i=i+1,j=j+1;13. 將pk存儲到當前wi的分配結果中;14. Else15. Break16. End For17. End For18. ReturnS;

3 實驗結果與分析

3.1 實驗設置

為了評估IOV-SCA模型的性能，在2組真實數據集上進行對比實驗，分別為包含193 294名用戶在283 298個地點2 427 149條附帶時間戳的簽到記錄的Gowalla數據集以及包含來自428 236名用戶在582 362個地點3 829 629次附帶時間戳的簽到記錄的Foursquare數據集。為了使用戶數據更具有代表性，將簽到記錄少于10次的用戶進行過濾處理，并假設用戶表示眾包工人，簽到位置表示眾包任務，則簽到記錄表示接受該任務。為了避免實驗結果的偶然性，按照時間順序將數據集劃分為訓練集和測試集，其中，80%的簽到記錄用于訓練，其余20%用于測試，經處理后的實驗數據集規模如表1所示。

表1 實驗數據集描述Tab.1 Description of experimental datasets

本文的實驗環境如下：操作系統為Windows 10，CPU為AMD Ryzen7 5800H，GPU為NVIDIA GeForce RTX3060，系統內存為32 GB DDR4@3 200 Hz，Python版本3.6.8，深度學習框架使用PyTorch，模型運算在CUDA上進行。

本文使用2個指標來評估IOV-SCA模型的有效性以及效率：① 總體質量分數，用于衡量分配策略的整體質量；② 分配消耗的CPU時間，指標通過Python記錄的分配算法開始前后時間求差值計算得到。

3.2 基準方法

為了說明IOV-SCA模型的性能，引入以下基線方法進行比較：

① Greedy-SAT模型[16]將任務根據價值從高到低排序，每個任務在可用工人集中選擇距離最近的工人進行分配。

② Random-SAT模型[17]隨機從任務集中選擇一個任務，并分配給可用工人集中隨機一名工人。

③ D&C-SAT模型[18]基于分治法的任務分配模型，該模型將一個可用任務集分割成一系列規模較小的任務集，然后分配給距離最近的工人。

3.3 結果分析

圖5比較了任務規模變化下IOV-SCA模型和其他基準方法的總體質量分數差別，其中任務規模由1 000增加到6 000。由圖5可以看出，隨著任務規模的擴大，4種模型的總體質量分數都在提升，本文所提IOV-SCA模型在任務規模變化時優于其他算法，這是因為IOV-SCA模型考慮了工人的積極性，在有限的任務內尋求最優匹配以減少消極怠工的工人并提升總體效益。Greedy-SAT模型總體質量分數提升幅度較小，這是因為貪心算法注重局部最優，迭代次數較少，導致其性能低于D&C-SAT模型。D&C-SAT模型的總體質量分數較高，這是因為該模型通過分治法在不同區域內尋找到質量較高的匹配，但其性能低于本文所提IOV-SCA模型，是因為IOV-SCA模型內的工人頂點被賦予積極性特征，即工人頂點與其他任務頂點匹配的方式更多，從而提升了系統的整體效益。

(a) Gowalla數據集

(b) Foursquare數據集圖5 不同任務規模下總體質量分數Fig.5 Overall quality score under different task scales

圖6比較了任務規模變化下IOV-SCA模型和其他基準方法的CPU消耗時間的差別，其中任務規模由1 000增加到6 000。由圖6可以看出，隨著任務規模的擴大，Greedy-SAT模型和D&C-SAT模型的CPU消耗時間的增長趨勢相對穩定，而IOV-SCA模型的CPU消耗時間增長相對明顯，這是因為當工人數量確定時，任務規模的擴大會導致工人內部競爭的擴大，從而可能會有較多不合適的匹配對產生，造成部分工人的積極性降低，增加了算法的迭代程度。而Gowalla數據集和Foursquare數據集的主要差別在于數據集的規模上，對于規模較大的Foursquare數據集，所有任務分配模型消耗的CPU時間都會增長，IOV-SCA模型的增長趨勢更為明顯。舉例來說，當IOV-SCA模型檢測到工人甲為消極工人時，此時模型試圖給工人甲分配任務，而當前任務已經被分配給工人乙，則模型會尋找下一個任務，這種情況增加了模型迭代次數，從而導致CPU消耗時間的增加。Random-SAT模型的分配時間是最快的，這是因為該模型隨機選擇任務和工人進行匹配，沒有考慮最大化質量分數。

(a) Gowalla數據集

(b) Foursquare數據集圖6 不同任務規模下CPU消耗時間Fig.6 CPU consumption time under different task scales

圖7比較了工人規模變化下IOV-SCA模型和其他基準方法的總體質量分數差距，其中工人規模由1 000增加到6 000。由圖7可以看出，隨著工人規模的擴大，所有模型的總體質量分數都穩定增加，這是因為在任務數量確定的情況下，工人數量越多，工人與任務的匹配對也越多，與之對應的總體質量分數也會提高。在數據集規模較大的Foursquare數據集上，所有模型的質量分數都要高于Gowalla數據集的結果，這是因為工人數量增加導致可用分配的增加，從而二部圖中任務頂點所對應的邊也會增多，因此總體質量分數會有明顯的區別。IOV-SCA模型較D&C-SAT模型總體提升約5.6%，較Random-SAT模型約提升10.2%，較Greedy-SAT模型約提升18.6%。

(a) Gowalla數據集

(b) Foursquare數據集圖7 不同工人規模下總體質量分數Fig.7 Overall quality score under different worker scales

圖8比較了工人規模變化下IOV-SCA模型和其他基準方法CPU消耗時間的差別，其中工人規模由1 000增加到6 000。由圖8可以看出，由于工人選擇范圍更廣泛，導致獲得更高質量分數的同時也會增加CPU的處理時間。與之前的結果類似，Greedy-SAT模型和Random-SAT模型所需要的時間開銷更少，同樣是因為這2種算法只能保證獲得局部最優，并沒有考慮平臺效益的最大化。雖然IOV-SCA模型的CPU消耗時間高于D&C-SAT模型，但是其總體性能在任何變化下都有更優的表現。另外，當工人的數量增加時，工人內部的競爭會變激烈，從而增加消極工人出現的可能性，因此IOV-SCA模型在分配任務時需要多次迭代，增加了CPU消耗時間。

(a) Gowalla數據集

(b) Foursquare數據集圖8 不同工人規模下CPU消耗時間Fig.8 CPU consumption time under different worker scales

4 結束語

本文提出了一種IoV輔助積極性感知的SC任務分配框架，并且按照功能分為2個階段：第1階段在路側單元上搭建Bi-PSM積極性感知模型，而Bi-PSM模型旨在根據工人的歷史任務軌跡數據計算工作停滯時間，從而判斷工人的積極性；第2階段在云服務器上搭建PS-TAA算法，實現了路側單元與云服務器之間的交互，在云端為工人合理分配任務，確保平臺效益最大化。本文在真實數據集上評估了不同模型的性能，實驗結果表明，IOV-SCA模型的總體質量分數均優于其他基準方法。未來將進一步利用IoV技術，通過車車交互的方式感知工人的積極性，并且將消極工人的應付式行為納入考慮，進一步改進任務分配算法，以提高平臺的整體效益。